Le coenseignement et la différenciation pédagogique pour soutenir les besoins spécifiques des élèves à risque, en situation de handicap ou en difficulté d’adaptation ou d’apprentissage à l’éducation préscolaire
Bibliographic record
Abstract
Au Québec, pour la majorité des enfants, l’entrée à l’éducation préscolaire se fera sans problème. Pour d’autres, les difficultés rencontrées auront des conséquences qui se répercuteront tout au long de leur scolarité. Pour mieux répondre aux besoins de ces élèves, plusieurs mesures de soutien peuvent être mises en place, dont le coenseignement. Très peu de recherches sur le coenseignement portent sur les pratiques effectives du personnel enseignant, surtout à l’éducation préscolaire. Cette étude de cas a comme objectif d’identifier et d’analyser les pratiques de différenciation au sein du groupe-classe afin de prendre en considération les besoins spécifiques des élèves à risque, handicapés ou en difficulté d’adaptation ou d’apprentissage. Cette recherche s’est réalisée auprès de deux enseignantes d’éducation préscolaire (5ans) de la région de Québec–Chaudière-Appalaches faisant du coenseignement à temps plein. Dix situations d’enseignement-apprentissage ont été observées entre janvier et mai 2018 toutes les deux semaines. Les données ont été recueillies par des observations filmées et des entretiens d’autoconfrontation. Les résultats montrent que le coenseignement à temps plein à l’éducation préscolaire constitue une forme de collaboration inclusive et permet la différenciation pédagogique des apprentissages et de l’enseignement pour répondre aux besoins des élèves de la classe.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".